Einsatzm  öglichkeiten von Data Warehouses im Privatkundengeschäft  

Inhaltsverzeichnis

Inhaltsverzeichnis   I

Abbildungs  - und Tabellenverzeichnis  II

Abk  ürzungs- und Symbolverzeichnis  III

1.  Einleitung  1

2.  Business Intelligence - IT basierte Managementunterstützung  2

2.1  Strategische Bedeutung  2

2.2  Technologien und deren Einsatzgebiete  2

2.3  „thematic priority“ - CRM  3

3.  CRM als wesentlicher Faktor im Business Intelligence  4

3.1  Data Warehouse als Instrument zur Kundenbindung und Kunden-  

management  im Privatkundengeschäft  4

3.2  Anwendungsfelder von datenbankgestützten Lösungen  4

3.3  Chancen und Wettbewerbsvorteile  5

3.4  Gestaltung und Konzeptionierung einer datenbankgestützten CRM Lösung  6

3.5  Hindernisse beim Einsatz von Business Intelligence Lösungen  8

4.  Ausblick - Einsatz von Business Intelligence Lösungen in Kreditinstituten  10

5.  Zusammenfassung und Schlussbemerkung  11

Literaturverzeichnis   13

Anlagen   14

I

Einsatzmöglichkeiten von Data Warehouses im Privatkundengeschäft

Abbildungs- und Tabellenverzeichnis

Abbildung 1 ETL Prozess ........................................................................................... 3

Abbildung 2 Idealtypischer Aufbau einer CRM Lösung .............................................. 7

II

Einsatzmöglichkeiten von Data Warehouses im Privatkundengeschäft

Abkürzungs- und Symbolverzeichnis

BDSG Bundesdatenschutzgesetz

Bezgl. Bezüglich

BI Business Intelligence

CRM Customer Relationship Management

d. h. das heißt

ETL Extraction, Transformation, Load

IT Informations Technologie

o. ä. oder ähnlich

o. g. oben genannt

OLAP Online-Analytical-Processing

SOA Serviceorientierte Architektur

Vgl. Vergleiche

Zit. Zitiert

III

Einsatzmöglichkeiten von Data Warehouses im Privatkundengeschäft

1. Einleitung

Die Etablierung und Vertiefung bzw. Festigung von Kundenbeziehungen erweist sich angesichts einer steigenden Wechselbereitschaft der Bankkunden als zentrales Anliegen für die Geschäftspolitik von Banken. ¹ „Banks tend to be rich in data, but poor in information“. ² Dieses Zitat beschreibt den Sachverhalt, dass Kreditinstitute auf-grund ihrer umfangreichen und meist gesetzlich vorgegebenen Informationsbedürfnisse im Vergleich zu anderen Branchen über detaillierte Kundendaten verfügen. ³ In der Vergangenheit wurde jedoch vielfach versäumt, diese Daten zielgerichtet zusammenzuführen und als „Knowledge“ zur Gestaltung von Kundenbeziehungen zu nutzen. 4

Allein der Einsatz von Business Intelligence Lösungen reicht allerdings nicht aus, um gegenüber der Konkurrenz Wettbewerbsvorteile zu erringen - erst die innovative Anwendung neuer Technologien im Bankgeschäft verspricht Differenzierungsmöglichkeiten. ⁵ Der meist hohe Investitionsbedarf solcher BI Lösungen stellt für die meisten Banken allerdings eine unüberbrückbare Investitionshürde dar. 6

Im Rahmen dieser Studienarbeit sollen im Hinblick auf Business Intelligence Lösungen mögliche und sinnvolle Strukturierungen auf Basis “Kundenspezifische Data Warehouses“ eindringlich behandelt werden. Der Begriff Data-Warehousing umschreibt allgemein ein Konzept, Daten aus verschiedenen Quellen zusammenzuführen und in einem einheitlichen Format innerhalb eines Data-Warehouses zu speichern. 7

Als prominentes Beispiel außerhalb der Finanzbranche ist hier der Internetbuchhändler Amazon.com zu nennen, der es hervorragend versteht, Kundenbeziehungen aufzubauen, Wünsche des Kunden zu erkennen und die Beziehung zum Kunden zu pflegen. 8

¹ S. Kerner, Analytisches Customer Relationship Management in Kreditinstituten, Wiesbaden 2002, 1.

Auflage, S. V

² Zit. Michalk/Dilling, 1998, S. 86

³ Vgl. Klingsporn, 1196, S. 40

⁴ Vgl. Seyfried, 1998, S. 364

⁵ D. Bartmann, Bankinformatik 2004, Wiesbaden 2003, 1. Auflage, S. 19, O. Wild

⁶ D. Bartmann, Bankinformatik 2004, Wiesbaden 2003, 1. Auflage, S. 21, O. Wild

⁷ D. Bartmann, Bankinformatik 2004, Wiesbaden 2003, 1. Auflage, S. 177, E. Stahl, A. Wimmer

⁸ D. Bartmann, Bankinformatik 2004, Wiesbaden 2003, 1. Auflage, S. 53, G. Walter

1

Einsatzmöglichkeiten von Data Warehouses im Privatkundengeschäft

2. Business Intelligence - IT basierte

__cManagementunterstützung

2.1 Strategische Bedeutung

Die IT-basierte Managementunterstützung besitzt eine sehr lange historische Entwicklung. Bereits mit Beginn der kommerziellen Nutzung von IT-Systemen in den 60er Jahren begannen die ersten Versuche, das Management in Unternehmungen mit Hilfe von Business Intelligence Lösungen zu unterstützen. 9

Die Bankwirtschaft hat sich in den letzten Jahren stark verändert - die Internationalisierung der Finanz- und Kapitalmärkte führt zwischen den Banken zu einem erhöhten Konkurrenzdruck und lässt die Margen der Finanzprodukte, vor allem im Retailbereich, erheblich zusammenschmelzen ¹⁰ . Aus diesem Grund sind BI-Lösungen zwingend in die Kalküle einer erfolgreichen Unternehmenssteuerung einzubeziehen. 11

Der besondere Stellenwert von Data-Warehouses und deren Business Intelligence Lösungen für die Kreditinstitute ergibt sich dadurch, dass die Leistungserstellung in Banken im Wesentlichen durch die Verarbeitung von Informationen in Datenbanken geprägt ist. ¹² Somit unterstützt bzw. durchdringt die IT die gesamte Wertschöpfungskette einer Bank und beeinflusst die einzelnen Aktivitäten und Funktionen. 13

2.2 Technologien und deren Einsatzgebiete

Für die effiziente Nutzung von Informationen zur Unternehmenssteuerung ist als Kernbaustein des Customer Relationship Managements ein entsprechend ausgestaltetes Data-Warehouse notwendig. 14

⁹ H.-G. Kemper, W. Mehanna, C. Unger, Business Intelligence Grundlagen und praktische Anwen-

dungen, Wiesbaden 2006, 2. Auflage, S. 1

¹⁰ D. Bartmann, Bankinformatik 2004, Wiesbaden 2003, 1. Auflage, S. 13, O. Wild

¹¹ H.-G. Kemper, W. Mehanna, C. Unger, Business Intelligence Grundlagen und praktische Anwen-

dungen, Wiesbaden 2006, 2. Auflage, S. 7

¹² D. Bartmann, Bankinformatik 2004, Wiesbaden 2003, 1. Auflage, S. 173, E. Stahl, A. Wimmer

¹³ D. Bartmann, Bankinformatik 2004, Wiesbaden 2003, 1. Auflage, S. 173, E. Stahl, A. Wimmer

¹⁴ D. Bartmann, Bankinformatik 2004, Wiesbaden 2003, 1. Auflage, S. 177, E. Stahl, A. Wimmer

2